SSD卷积神经网络在SAR图像目标检测中的应用研究

《SSD卷积神经网络在SAR图像目标检测中的应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、１士学位论文Ｉ硕ＳＳＤ卷积神经网络在ＳＡＲ图像目标检测中的应用研究作者姓名毛家顺ｂ｜指导教师姓名、职称杜兰教授申请学位类别工学硕士学校代码10701学号1502120936分类号TN95密级公开西安电子科技大学硕士学位论文SSD卷积神经网络在SAR图像目标检测中的应用研究作者姓名：毛家顺一级学科：信息与通信工程二级学科：信号与信息处理学位类别：工学硕士指导教师姓名、职称：杜兰教授学院：电子工程学院提交日期：2018年6月TheResearchontheApplicationofSSDConvolutionalNeuralNetworkinSARImage

2、TargetDetectionAthesissubmittedtoXIDIANUNIVERSITYinpartialfulfillmentoftherequirementsforthedegreeofMasterinSignalandInformationProcessingByMaoJiashunSupervisor:DuLanTitle:ProfessorJune2018摘要摘要随着合成孔径雷达（SyntheticApertureRadar，SAR）成像技术的迅速发展，SAR图像的分辨率越来越高，数据量也越来越大。面对海量的SAR图像数据，如何快速准确地检测出图像中的目标一直是S

3、AR图像解译中的热点问题，具有非常重要的研究价值。近年来，卷积神经网络凭借其强大的特征学习能力，在图像识别、目标检测等领域取得了一系列突破性进展。最近，基于卷积神经网络的单次多框检测器（SingleShotmultiboxDetector，SSD）算法在自然图像目标检测中表现出良好的性能，受到了科研人员的广泛关注。本论文针对SSD在SAR图像目标检测中的应用展开研究，论文的主要工作如下：1、针对复杂场景下的SAR图像车辆目标检测任务，在第三章，我们提出了基于SSD的SAR目标检测算法。相比于光学图像而言，SAR图像的数据量比较缺乏。为了解决将SSD应用于SAR目标检测中面临的训练样本

4、不足的问题，我们采用数据扩充和迁移学习的策略。对于数据扩充，第一种方法是采用加噪、滤波和翻转这些操作对MiniSAR目标检测数据集中原始的训练图像进行处理，生成新的训练样本；第二种方法是对MSTAR数据集中的目标图像执行填充、插值等操作，获得扩充样本，用于辅助完成目标检测任务。对于迁移学习，首先，利用子孔径分解方法将单通道SAR图像转换为3通道SAR图像；然后，利用在大规模光学图像上训练好的3通道网络模型对SSD中基础网络的卷积层进行参数初始化，实现模型的参数迁移。基于MiniSAR实测数据，验证了提出方法的有效性。2、针对具有复杂背景的SAR图像车辆目标检测与识别任务，在第四章，我

5、们提出了基于双流SSD的SAR目标检测与识别一体化算法。在SSD的基础上，我们增加一个支路网络，用来引入显著图的先验信息，构造双流SSD网络模型。利用双流卷积神经网络分别提取SAR图像及其显著图对应的多尺度特征，进行多尺度特征融合，并基于融合特征一次性完成目标检测和识别任务。同时，我们也采用数据扩充和迁移学习的策略作为辅助手段，帮助提升双流SSD模型对于SAR目标的检测与识别性能。为了满足同时实现检测和识别任务的需求，我们利用MSTAR杂波图像和目标图像合成具有复杂背景的多类车辆目标SAR图像数据。基于该合成的SAR图像数据，验证了提出方法的有效性。关键词：合成孔径雷达图像，卷积神经

6、网络，单次多框检测器，目标检测，数据扩充，迁移学习，双流卷积神经网络IABSTRACTABSTRACTWiththerapiddevelopmentofSyntheticApertureRadar(SAR)imagerytechnology,theresolutionofSARimagesishigherandhigher,andtheamountofdatabecomeslargerandlarger.FacingthemassiveSARimagedata,howtodetectthetargetsquicklyandaccuratelyfromtheseSARimageshas

7、beenahottopicinSARimageinterpretation,andhasverysignificantresearchvalue.Inrecentyears,duetoitspowerfulabilityoffeaturelearning,ConvolutionNeuralNetworks(CNNs)havemadeaseriesofbreakthroughsinthevariousfields,suchasimagerecognition